前面讲了路线之争和中国厂商的两条腿。这一篇回到最硬的地方：把激光雷达和毫米波雷达全拿掉，只留 8 颗摄像头，特斯拉这件事到底难在哪。答案是五道门槛，每一道都够呛。

特斯拉 FSD 采用的是纯视觉加端到端架构：8 颗摄像头拍下的原始画面直接喂进一个神经网络，网络吐出转向、油门、刹车。中间没有独立的感知模块，也没有人工写的规则代码。FSD V12 一次性删掉了超过 30 万行 C++ 控制代码。

听起来很简洁。简洁的是结果，过程是五道硬门槛。

第一难：用平面画面猜三维世界

摄像头是二维的。它拍下的是平面上的像素，不带距离信息。就像闭上一只眼、只看一张照片，要判断前面的车离你多远。

激光雷达不一样：它发射激光，测量反弹时间，直接得到每个点离车多远，精度到厘米级。毫米波雷达直接测速度和距离。摄像头什么都没有，距离只能靠推断。

从一张二维图反推三维结构，数学上是一个病态问题：同一张照片，可以对应无穷多种三维场景。远处的卡车和近处的小汽车，在像素上可能一样大。

特斯拉的解法是占用网络（Occupancy Networks）。8 颗摄像头的画面被拼成一个三维空间视图，系统判断每个体素格子里有没有东西、体积多大、往哪动。体素默认边长 33 厘米，靠近车辆的占用区域缩到 10 厘米，还能拆成更小的子体素去还原曲面物体的形状。2026 年 3 月 12 日，特斯拉这套占用网络的专利正式公开。

补上缺失的距离，特斯拉靠三样东西：8 颗摄像头的多视角视差、连续帧之间的运动变化、以及海量数据训练出来的先验。相当于让模型从无数次观察里，学会用经验去猜距离。

纯视觉的第一道坎，是它拿不到距离，只能算出来。

第二难：数据，也是最贵的门槛

端到端网络没有规则兜底，饿了就要吃数据。

特斯拉的数据来自影子模式：全球每一台在售特斯拉，无论有没有开启 FSD，都在回传路况。只要驾驶员接管，车辆就把接管前 30 秒的视频切片上传。特斯拉每周要处理大约 4PB 的新增训练数据。

到 2026 年，FSD 累计训练里程突破 100 亿英里。这个数字是全球其他自动驾驶公司数据总和的 10 倍以上。

更麻烦的是长尾场景。普通路况早就会了，剩下的是极端个例。特斯拉在云端用 3D 高斯溅射技术，约 220 毫秒内把车队传回的 2D 视频重建成立体场景，再改天气、改光照、改车辆轨迹，生成无数变体喂给模型。等于用真实世界的碎片，去补模型没见过的画面。

这道门槛最狠的地方在于，它不靠钱，靠车队规模。别人没有上千万辆在路上跑的车。

第三难：算力，把规则换成硬件的堆料

端到端把自动驾驶从软件工程问题，变成了算力问题。

输入是 8 路视频流，网络还要缓冲过去 2 秒的画面才能判断速度和意图。这套视频 Transformer 骨干网络有约 12 亿参数，训练时用 1280×960 的全分辨率，车端推理时要压到 640×480 才能实时，控制频率 36 Hz。

特斯拉在加州和得州部署了约 10 万张英伟达 H100，算力约 50 Exaflops，并把工作负载逐步迁往自研的 Dojo D1。车端芯片从 HW4 向 AI5 迭代，内存从 16GB 堆到 96GB 至 144GB，功耗上限拉到 700 至 800 瓦。

规则可以删，算力不能省。纯视觉省下的激光雷达成本，转头交给了芯片和电力。

第四难：极端场景，摄像头的物理天花板

摄像头是被动感知，它依赖光。

逆光会让画面过曝，隧道口的光线突变会让系统误判，暴雨和大雪会遮住镜头，扬尘会糊掉画面。这些都是算法很难完全补上的物理限制。

FSD Tracker 的数据显示，经过一轮优化后，FSD 在雪天的样本累计到 1293 英里，轻度恶劣天气有了基本适应性，极端能见度场景仍是短板。脱离事件里，车道问题和导航地图问题加起来占了约 83%。

2026 年，特斯拉取消了全球车型上所有的毫米波雷达。感知只剩摄像头一条路，摄像头一旦出问题，没有任何硬件备份。

融合派用硬件买确定性，纯视觉把这份确定性交给了算法，而物理规律不总是听算法的。

第五难：怎么证明自己安全

端到端网络的决策过程无法逐行解释。它是一个黑盒。

监管和保险公司要评估一辆车安不安全，需要统计上站得住脚的事故样本，而严重事故本身极其稀少。Waymo 负责自动驾驶软件的副总裁 Srikanth Thirumalai 在 2026 年 9 月公开表示，纯摄像头加端到端架构存在黑盒幻觉失效的风险。

美国 NHTSA 针对 FSD 的工程分析（编号 EA26002）覆盖了 320 万辆以上的车。FSD 进入中国要过工信部、公安部、网信办三道终审，还要面对美国高算力芯片的出口限制。

特斯拉官方给出的安全数据是：重大碰撞的间隔里程约 530 万英里，是美国平均水平 66 万英里的 8 倍；欧洲五个国家超过 1 亿公里的数据显示，开启 FSD 的车辆碰撞发生率比手动驾驶低 4.1 倍。数据看起来漂亮，但样本集中在高速和良好天气，城市复杂路况的样本仍然不足。

造得出不等于过得审。黑盒越强，越难自证清白。

这么难，为什么还要做

因为一旦跨过去，回报是结构性的。

第一是成本。没有激光雷达，没有高精地图，硬件更便宜，全球适配更容易。Cybercab 的目标售价低于 3 万美元。

第二是数据飞轮。车卖得越多，数据越多，模型越强，体验越好，车更好卖。这是一个自我强化的循环。到 2026 年第二季度，FSD 活跃订阅数达到 148 万，同比增长 56%。

第三是降维打击。如果纯视觉真的追平了融合方案的安全水平，它的成本结构会直接碾压缩在激光雷达上的对手。

截至 2026 年，特斯拉 Robotaxi 已在奥斯汀、达拉斯、休斯顿、迈阿密四座城市开展无监督运营，累计付费里程约 250 万英里，其中无监督部分约 38 万英里。规模还小，路径已经打通。

特斯拉在赌一件事：把硬件省下来的钱，用数据和时间还回来。

纯视觉难，难在四件事：拿不到距离、缺不了数据、省不了算力、躲不开物理规律。

真正的瓶颈从来不是 99% 的日常路况，而是剩下 1% 的极端场景。特斯拉能不能跨过这 1%，决定了纯视觉是一条捷径，还是一条死路。

阅读原文：点击这里​